客户反馈数据洞察分析

痛点：原始反馈只有文本，没有结论

做客户成功的团队通常面对这样的场景：NPS 调查返回了八百条评分和开放文本，客服系统里堆着 CSAT 评分和工单记录，应用商店还有上千条评论。这些数据散落在不同平台，结构不一致，评分尺度也对不上。手动汇总意味着把 Excel 里的 NPS 和 1～5 分的 CSAT 放在一起看，再逐条阅读开放文本摘抄“常见抱怨”——这个过程既慢，又容易漏掉占比不高但影响大的真实问题。

核心能力与工作流

这个技能把多来源的原始反馈转成结构化洞察，核心步骤如下：

• 归集与打标签：汇总 NPS（评分+开放文本）、CSAT、应用内反馈、应用商店评论、社媒提及、G2/Capterra 评价与销售通话记录，并为每条响应记录 date、plan tier、segment、source channel 等元数据。
• 清洗与规范化：跨渠道去重、统一评分尺度（例如将 1～5 CSAT 映射到 1～10），用模式识别剔除机器人/垃圾响应，并从开放文本中清除 PII。
• 主题抽取：用话题建模把开放文本聚成主题（如产品稳定性、易用性、定价感知、客服质量），每条响应附带 confidence score 和代表性原句。
• 量化分析：计算 NPS（% Promoters − % Detractors）、CSAT 均值和主题频次分布，按套餐、行业、账号规模拆分，并对分组差异做统计显著性检验，避免对噪声采取行动。
• 趋势识别：支持环比/同比对比，标记变化超过 ±20% 的主题，识别新出现或首次跨阈值的新兴主题，并将情绪变化与产品发布、定价调整、市场事件相关联。
• 报告生成：输出包含执行摘要、量化记分卡、主题明细（含原句引用）、趋势分析和优先级行动建议的结构化报告。

适用边界

• 样本量不足时（例如某分组只有 15 条响应）应同时报告置信区间和样本量，低响应率（<15%）会导致非响应偏差，需先提升响应率再下分组结论。
• 需将“功能缺失”与“功能坏了”分开归类——前者进产品路线图，后者是工程修复。
• 建议把贬损者与推荐者的评论分开分析，混在一起会稀释各自的信号；对 sarcastic 或反讽型响应（评分与文本情绪矛盾）应标记人工复核。
• 该技能不自动安装依赖、修改系统权限、创建持久化任务或执行下载内容；涉及发送、发布、删除、付款、部署等外部写入操作时，会先展示目标与影响并取得明确确认。

获取使用帮助和更多实用 Skill，请关注公众号「简诗 AI」，或在 SkillHub 搜索「简诗 AI」。